焊缝射线图像中的多尺度多强度缺陷检测
本文介绍了一种从焊缝射线照相图像中自动检测缺陷的方法。该方法可应用于不同的检测场景和各种缺陷。所提方法基于图像的多尺度和多强度分析。
不同检测场景和不同缺陷类型的焊珠X线照片差异很大，限制了自动检测算法的通用性。本文通过分析不同尺度和强度的射线照相图像来解决这个问题。首先，建立多尺度多强度参数空间，对参数对应的预处理图像，确保缺陷不被遗漏。然后，通过焊缝的检测标准和射线照相图像的性质，自动限制参数的值范围，并对预处理的图像进行优化。最后，设计用于筛选和合并不同预处理图像中缺陷的算法，以减少错误检测并描述精确的缺陷边界。
自动检测焊接射线照相图像缺陷的新技术最基本的是图像处理技术。基于图像处理的缺陷检测算法通常包括三个步骤：图像预处理、焊缝提取和缺陷分割。由于射线照相图像具有对比度低、强度范围窄、噪声多源等特点，因此预处理步骤主要包括对比度增强和噪声滤波还开发了许多过滤器，例如各向异性扩散滤波。射线照相图像包含焊接区域和其他区域，而大多数缺陷位于焊接区域。因此，通常将焊缝区域提取为感兴趣区域，以避免焊缝边缘的干涉并提高检测效率。
缺陷分割是整个检测过程中最关键的一步。研究人员已经应用了许多算法，例如背景减法，阈值法，边缘检测和形态学处理。不同的焊接缺陷在形状、尺寸、纹理、对比度和位置上往往表现出不同的视觉特征，因此通常根据不同类型的缺陷应用不同的检测算法，区域生长方法可以分割根系渗透不足，下切和孔隙度，而流域技术可用于虫洞，缺乏融合和炉渣包涵。在不同的焊缝检测条件下，射线照相图像之间的视觉差异更大，因此通常根据不同的检测或焊接条件设计不同的算法。
定制算法在相应条件下具有良好的检测效果，但其通用性也受到很大限制。本文分析了不同尺度和强度的焊缝X线照片，以确保该检测算法可以应用于不同检测场景中不同类型的缺陷。多尺度、多强度参数的设置也避免了遗漏缺陷。根据RT标准和图像属性减小了参数的自动选择范围，从而提高了算法的效率。此外，通过规模和强度特征，我们设计了缺陷筛选和合并算法，以减少误报并准确描述缺陷边界。本文提出的算法可以自适应地分割缺陷，因此可以作为数据注释或预处理方法，在检测过程中与深度学习等新技术配合使用。
多尺度多强度参数空间的建立以及相应预处理图像的获取。在不同尺度和强度的分析下的焊接缺陷图像称为
(1)原始图像的高斯滤波（高斯标准差
(2)高斯平滑原始图像（高斯标准差
(3)通过阈值 t 对差分图像进行二值化，以获得二进制图像。
以上三个参数
其中（x，y）是高斯分布上任何点的坐标，σ是标准差，它决定了高斯函数图的宽度并影响高斯滤波的程度。
高斯卷积核是唯一实现尺度变换的卷积核，所以σ也可以看作是高斯核的尺度，它可以抑制尺度较小的信号，保留尺度较大的信号。因此，高斯滤波器应抑制噪声并保留前景图像中的缺陷细节;平滑缺陷并在背景图像中模拟没有缺陷的焊缝。